利用神经网络确定 CMSSM 参数

在大多数（弱相互作用）标准模型扩展中，将参数值映射到实验可测量量的关系是可以计算的（带有一定的不确定性），但逆关系通常是未知的。本文展示了人工神经网络寻找这一未知关系的能力，即通过大型强子对撞机 (LHC) 的可测量量来确定标准模型约束最小超对称扩展 (CMSSM) 的未知参数。我们预期该方法也适用于许多其他新物理模型。我们将该方法的性能与直接 $\chi^2$ 最小化的结果进行了比较。我们在强子层面模拟了质心能量为 14 TeV 的 LHC 信号。在这项概念验证研究中，我们没有明确模拟标准模型背景，而是应用了已被证明能增强信噪比的截断条件。我们分析了四个不同的基准点，它们刚好位于当前超粒子质量下限之外，在积分亮度为 10 fb$^{-1}$ 时，每个基准点在截断后产生约 1000 个事件。我们使用了多达 84 个可观测量，其中大多数是计数可观测量；我们不尝试从运动学边缘或分布的拐点直接重建（质量差）质量。然而，我们发现 $m_0$ 和 $m_{1/2}$ 可以被可靠地确定，在某些情况下误差小到 1%。在拥有 500 fb$^{-1}$ 数据的情况下，$\tan\beta$ 和 $A_0$ 也可以被相当准确地确定。在相当的计算努力下，$\chi^2$ 最小化产生的结果要差得多。